问题：
我是Tensorflow的新手，并且已经被这个问题困扰了一天。我的具体问题是应该在 sess.run（fetches，feed_dict）函数中放入哪些特定参数。例如，如何找出参数的值？在此先感谢您的帮助！
步骤：
这是我查看其他帖子后对步骤的理解。
1）保存经过处理的张量流模型，它应包含4个文件，以下是我的输出：
2）将输入图像调整为神经网络所需的任何格式。
3）开始tensorflow会话。
4）检索图和相关参数，张量...
5）预测输入图像。
代码：
交易代码：
https://github.com/taki0112/SENet-Tensorflow/blob/master/SE_Inception_resnet_v2.py
[已解决]测试代码：
import tensorflow as tf
import numpy as np
import cv2
labels = ["airplane","automobile","bird","cat","deer","dog","frog","horse","ship","truck"]
# Load graph and parameters, etc.
sess=tf.Session()
saver = tf.train.import_meta_graph('./model/Inception_resnet_v2.ckpt.meta')
saver.restore(sess, tf.train.latest_checkpoint("./model/"))
graph = tf.get_default_graph()
# Get tensor names
x = graph.get_tensor_by_name("Placeholder:0")
training_flag = graph.get_tensor_by_name("Placeholder_2:0")
op_to_restore = graph.get_tensor_by_name("final_fully_connected/dense/BiasAdd:0")
# Preprocess imgae imput
src = cv2.imread("./input/car3.jpg")
dst = cv2.resize(src, (32, 32), interpolation=cv2.INTER_CUBIC)
b,g,r = cv2.split(dst)
b = (b - np.mean(b)) / np.std(b) * .1
g = (g - np.mean(g)) / np.std(g) * .1
r = (r - np.mean(r)) / np.std(r) * .1
src = cv2.merge((b,g,r))
picture = dst.reshape(1, 32, 32, 3)
feed_dict ={x: picture, training_flag:False}
result_index = sess.run(op_to_restore,feed_dict)
print(result_index)
print (labels[np.argmax(result_index)])
答案 0 :(得分：2)
参数实际上取决于您在做什么，但是大多数情况下，第一个参数是权重和占位符。每当您使用Tensorflow时，您都定义一个图表，该图表将馈送示例（训练数据）和一些超参数，例如学习率，全局步长等。使用占位符馈送所有训练数据和超参数是一种标准做法。当您使用占位符构建网络并将其保存时，将保存网络，但是不会保存占位符的值。
我们来看一个玩具示例：
import tensorflow as tf
#Prepare to feed input, i.e. feed_dict and placeholders
w1 = tf.placeholder("float", name="w1")
w2 = tf.placeholder("float", name="w2")
b1= tf.Variable(2.0,name="bias")
feed_dict ={w1:4,w2:8}
#Define a test operation that we will restore
w3 = tf.add(w1,w2)
w4 = tf.multiply(w3,b1,name="op_to_restore")
sess = tf.Session()
sess.run(tf.global_variables_initializer())
#Create a saver object which will save all the variables
saver = tf.train.Saver()
#Run the operation by feeding input
print sess.run(w4,feed_dict)
#Prints 24 which is sum of (w1+w2)*b1
#Now, save the graph
saver.save(sess, 'my_test_model',global_step=1000)
现在，当我们想要还原它时，我们不仅必须还原图形和权重，还需要准备一个新的feed_dict，它将新的训练数据馈送到网络。我们可以通过graph.get_tensor_by_name（）方法获得对这些保存的操作和占位符变量的引用。因此，如果您想用更多的新数据来训练相同的模型，那么就必须利用这些余量，但是如果您只是想从训练的模型中获得预测，则可以利用op_to_restore和{ {1}}作为新数据。如果遵循上述示例，则类似这样：
feed_dict因此，在您的情况下，这就是它的工作方式，因为您要加载Inception模型，因此，import tensorflow as tf
sess=tf.Session()
#First let's load meta graph and restore weights
saver = tf.train.import_meta_graph('my_test_model-1000.meta')
saver.restore(sess,tf.train.latest_checkpoint('./'))
# Now, let's access and create placeholders variables and
# create feed-dict to feed new data
graph = tf.get_default_graph()
w1 = graph.get_tensor_by_name("w1:0")
w2 = graph.get_tensor_by_name("w2:0")
feed_dict ={w1:13.0,w2:17.0}
#Now, access the op that you want to run.
op_to_restore = graph.get_tensor_by_name("op_to_restore:0")
print sess.run(op_to_restore,feed_dict)
#This will print 60 which is calculated
#using new values of w1 and w2 and saved value of b1.
应该取决于您要恢复的内容，如果您可以告诉我们您的内容重新尝试做，那么就只能提出一些建议。但是，在另一个参数op_to_restore中，它只是图像像素的numpy数组，您正在尝试分类/预测或正在执行任何操作。
我从以下文章中获取了代码。这也会对您有帮助。 http://cv-tricks.com/tensorflow-tutorial/save-restore-tensorflow-models-quick-complete-tutorial/
更新：对于您的特殊情况，您可能想尝试以下代码来预测新图像中的类。
feed_dict此外，以下资源可能会为您提供更多帮助： Using pre-trained inception_resnet_v2 with Tensorflow